最近在浏览开源项目时发现了一个有趣的现象：许多重度AI用户都在反复提及同一个问题——为什么AI在长对话中会逐渐"失智"。

这不是模型能力问题，而是一个工程设计的经典困境。GitHub上的planning-with-files项目用一个极其简洁的方案诠释了这个问题的本质，并提供了可复用的解决思路。

作为经常体验AI产品的我来说，这套方法论背后的逻辑颇值得一谈。

问题诊断：AI的"健忘症"根源

在与AI协作的实际场景中，用户普遍会遇到这样的现象：

• 对话早期：AI反应敏捷，理解需求准确
• 对话中期（20-50轮后）：AI开始重复已解决的问题，或遗忘初始目标
• 对话后期：出现"上下文堆积"现象，AI将所有信息无差别地塞入一个对话框中

这种现象的根本原因不是模型智力下降，而是工作记忆限制导致的目标漂移（Goal Drift）。

即便是参数量庞大的模型，在有限的上下文窗口内处理过多信息时，也会产生优先级紊乱。

核心方案：结构化外部存储

planning-with-files项目的创新之处在于将问题从"如何让AI记住更多信息"转向"如何让AI高效地管理信息"。

其核心机制是一套"三文件模式"：

工作流设计：读-行-记-审循环

该项目强制实现了一套严格的执行循环，打破了传统AI Agent的线性决策流程：

读取(Read) → 决策(Decide) → 行动(Act) → 更新(Update) → 复盘(Review)

具体执行步骤：

1. 读取阶段：每次操作前读取task_plan.md，将任务目标重新加载到"注意力窗口"
2. 行动阶段：执行查询、编码或调研等具体操作
3. 记录阶段：将执行结果写入notes.md（中间结果），更新task_plan.md中的进度复选框
4. 复盘阶段：若产生错误，详细记录错误上下文和解决尝试

这种设计的优势在于：即使经历50次以上的工具调用，AI依然能够保持清晰的任务意识和进度追踪。

技术实现与集成方式

项目定位：Claude Code插件（Skill），同时支持Cursor、Codex等基于Claude的编程工具

安装步骤：

1. 确保已安装Claude Code环境

2. 进入Skills目录（如无则新建~/.claude/skills）

3. 执行克隆命令：

cd ~/.claude/skills
git clone https://github.com/OthmanAdi/planning-with-files.git

激活机制：无需复杂配置。当对话中出现"planning"、"organize"、"track progress"等关键词，或用户派发复杂任务时，Skill自动触发，并初始化task_plan.md文件。

适用场景评估

设计理念溯源

该项目间接源自GTD（Getting Things Done）方法论在AI领域的应用转化：

• 清空大脑：信息不存储在对话框，而是持久化到文件系统
• 明确下一步：通过task_plan.md中的复选框确保意图清晰
• 定期回顾：在每个循环中强制进行进度检查

这种方法论的核心价值在于将上下文管理从"被动承载"转向"主动治理"。

相关项目推荐

若对上下文工程感兴趣，还可关注：

• Claude Code官方Skills库（1.4w+ Star）：提供更多预制工作流插件
• Playwright+AI组合方案：用于自动化任务的文件系统管理
• LSP集成方案：加强IDE级别的上下文持久化

总结与实践建议

从产品角度看，planning-with-files代表了AI工具设计的一个重要转向：从追求模型能力的上限，转向优化人机协作的工作流效率。

这个项目证明了一个看似简单的原则——外部存储的可靠性往往超过模型的内部记忆。它不需要模型升级、不需要更多的参数，只需要重新设计信息流向。

对于需要与AI进行长期、复杂协作的用户，特别是编程、研究、数据分析领域的专业人士，这套方案值得一试。它的价值不在于创意，而在于将一套经过验证的工程范式开源化，降低了复杂任务自动化的实现门槛。

项目地址：https://github.com/OthmanAdi/planning-with-files